track1 cv/tensor
1943年出现雏形，1958年研究认知的心理学家Frank发明了感知机，当时掀起一股热潮。后来Marvin Minsky（人工智能大师）和Seymour Papert发现感知机的缺陷：不能处理异或回路、计算能力不足以处理大型神经网络。停滞！
1986年hinton正式地提出反向传播训练MLP，尽管之前有人实际上这么做。
1979年，Fukushima 提出Neocognitron，有了卷积和池化的思想。
1998年，以Yann LeCun为首的研究人员实现了一个七层的卷积神经网络LeNet-5以识别手写数字。
后来svm兴起，这些方法没有很受重视。
2012年，Hinton组的AlexNet在ImageNet上以巨大优势夺冠，兴起深度学习的热潮。其实Alexnet是一个设计精巧的CNN，加上relu、dropout等技巧，并且更大。
这条思路被后人发展，出现了vgg、GooLenet等。
2016年，青年计算机视觉科学家何恺明在层次之间加入跳跃连接，Resnet极大增加了网络深度，效果有很大提升。一个将这个思路继续发展下去的是去年cvpr best paper densenet。
cv领域的特定任务出现了各种各样的模型（Mask-RCNN等），这里不一一介绍。
2017年，hinton认为反省传播和传统神经网络有缺陷，提出Capsule Net。但是目前在cifar等数据集上效果一半，这个思路还需要继续验证和发展。
track2 生成模型
传统的生成模型是要预测联合概率分布P(x,y)。
rbm这个模型其实是一个基于能量的模型，1986年的时候就有，他在2006年的时候重新拿出来作为一个生成模型，并且将其堆叠成为deep belief network，使用逐层贪婪或者wake-sleep的方法训练，不过这个模型效果也一般现在已经没什么人提了。但是从此开始hinton等人开始使用深度学习重新包装神经网络。
Auto-Encoder也是上个世纪80年代hinton就提出的模型，此时由于计算能力的进步也重新登上舞台。bengio等人又搞了denoise Auto-Encoder。
Max welling等人使用神经网络训练一个有一层隐变量的图模型，由于使用了变分推断，并且最后长得跟auto-encoder有点像，被称为Variational auto-encoder。此模型中可以通过隐变量的分布采样，经过后面的decoder网络直接生成样本。
GAN是2014年提出的非常火的模型，他是一个隐的生成模型，通过一个判别器和生成器的对抗训练，直接使用神经网络G隐式建模样本整体的概率分布，每次运行相当于从分布中采样。
DCGAN是一个相当好的卷积神经网络实现，WGAN是通过维尔斯特拉斯距离替换原来的JS散度来度量分布之间的相似性的工作，使得训练稳定。PGGAN逐层增大网络，生成机器逼真的人脸。
track3 sequence learning
1982年出现的hopfield network有了递归网络的思想。1997年Jürgen Schmidhuber发明LSTM，并做了一系列的工作。但是更有影响力的是2013年还是hinton组使用RNN做的语音识别工作，比传统方法高出一大截。
文本方面bengio在svm最火的时期提出了一种基于神经网络的语言模型，后来google提出的word2vec也有一些反向传播的思想。在机器翻译等任务上逐渐出现了以RNN为基础的seq2seq模型，通过一个encoder把一句话的语义信息压成向量再通过decoder输出，当然更多的要和attention的方法结合。
后来前几年大家发现使用以字符为单位的CNN模型在很多语言任务也有不俗的表现，而且时空消耗更少。self-attention实际上就是采取一种结构去同时考虑同一序列局部和全局的信息，google有一篇耸人听闻的attention is all you need的文章。
track4：deep reinforcement learning
这个领域最出名的是deep mind，这里列出的David Silver是一直研究rl的高管。
q-learning是很有名的传统rl算法，deep q-learning将原来的q值表用神经网络代替，做了一个打砖块的任务很有名。后来有测试很多游戏，发在Nature。这个思路有一些进展double dueling，主要是Qlearning的权重更新时序上。
DeepMind的其他工作DDPG、A3C也非常有名，他们是基于policy gradient和神经网络结合的变种（但是我实在是没时间去研究）。
一个应用是AlphaGo大家都知道，里面其实用了rl的方法也有传统的蒙特卡洛搜索技巧。Alpha Zero 是他们搞了一个用alphago框架打其他棋类游戏的游戏，吊打。
